GPU 一声令下多要几百瓦，谁来接住这一下

AI 机架的功率曲线，和传统数据中心完全不是一个形状。一颗加速器在训练和推理之间切换，或者一批任务同时启动，机架从电网取的电可以在毫秒到秒的尺度上剧烈摆动。单机架功率过百千瓦已经常见，向上还有兆瓦级的密集配置。这样的曲线对上游供电是个考验，而应对它的方式，正在变成一套分层结构。

先看这一下有多快

同样是功率波动，发生在不同时间尺度上，物理机制完全不同，能用的器件也不同。一篇关于 AI 数据中心储能方案的开放获取综述，把这个问题的层次拆得很清楚。

最高频的那一部分发生在服务器内部，也就是 GPU 自身的功率摆动，时间尺度在微秒到毫秒。这一层靠的是本地去耦和板上电容，靠电荷的快速进出把瞬态顶住，不让它传到电源模块和机架母线上。再往上一档是亚秒级的尖峰，这一档用超级电容比较合适，它耐得住极频繁的充放电循环，退化很小。

时间尺度再拉长到秒和分钟，就该电池出场了。机架级的电池备份单元，也就是常说的 BBU，负责在交流侧扰动时提供短时间的穿越支持，同时在充电周期里可以充当局部的功率吸收器。再往上，设施级的储能和发电机组接替，负责分钟到小时量级的支撑。论文给出的分层逻辑很直接：波动传播到电网之前，先在离它最近的那一层把它缓解掉。

图1　四层储能的时间尺度分工：板上电容管微秒到毫秒，超级电容管亚秒尖峰，机架电池管秒到分钟，设施级储能管分钟到小时（依据原文第 4 节绘制）

电容和电池，本来就不是干同一件事的

理解了时间尺度，就能理解为什么这两类器件不能互相替代。

超级电容的问题在能量密度和体积。它能接住瞬态和短促的爆发，但提供不了分钟级的穿越，所以它只能补充电池，替代不了。论文说得明白，超级电容层的主要约束是能量密度和物理体积，而不是循环寿命，因为它接住的是功率摆动带来的那点能量，量很小，难的只是要够快。

反过来，电池的问题在化学反应的动力学和内阻。毫秒级的电流尖峰它响应不过来，用高频循环去磨它，还会加速退化，具体程度取决于循环吞吐量、充放电倍率、荷电状态区间和温度。所以把一个需要频繁吞吐的场景压在电池上，省下的上游投资迟早会从电池寿命上还回去。

结论就是论文给的那条分工线：服务器和 GPU 级的电容，负责吸收高频波动；BBU 负责穿越、受控恢复，以及有预算的、低频的功率整形。两边的任务边界清楚，才不会互相伤害。

图2　能量密度与循环寿命的取舍：超级电容容不下分钟级能量，电池扛不住毫秒级倍率，两类器件恰好互补（依据原文第 7 节绘制）

机架上那组电池，任务是接住不是扛住

BBU 的容量计算方式，和传统不间断电源也不一样。它的约束不是支撑多久的停电，而是机架功耗、目标穿越时长和冗余要求三者凑出来的结果。

AI 机架功耗大，这对电池架的要求比传统部署高得多。在开放计算项目的机架架构里，普遍采用 5+1 冗余，每个工作模块要按整机架负载的相应份额再加余量来设计。目标是几分钟的穿越时间，具体时长要和上游的储能或发电机组对齐，因为它要做的是把停电发生的那一刻和上游储能上线之间那段空档填起来。想把这段窗口拉长，就得加大能量容量，而这会占掉本来就不宽裕的机架空间，还带来锂电池靠近信息设备的热风险。

所以论文把机架电池的定位说得很克制：它是机架层的分布式可用性保障，管的是秒到分钟，不是亚秒级平滑的主要手段。真正的高频波动交给服务器和 GPU 侧的电容更合适。

再充电这个动作，本身也会变成一次功率阶跃

电池放完电要充回来，这一步在超大规模场景下会变成一个麻烦。如果几千个机架上的电池同时开始充电，聚合起来就是负载曲线上的一次台阶式跳变，可能直接触发上游保护。

论文给出的处理办法是协调充电，按优先级排序，把分散的电池充电错开。生产环境的案例显示，这样做可以把再充功率压下来很多，报告里提到的降幅可达约八成，同时仍然满足充电时间的约束。这说明电池在系统里的角色不只是电源，它同时是一个可以被调度的负载。要把它当负载来管，前提是机架层能拿到电池的荷电状态和充电状态，而开放计算项目的机架生态恰好把这些接口留出来了。

分工要靠控制，不是靠堆容量

把这几层串起来看，会发现真正的难点不在器件选型，而在协调。论文把协调的目标和时标分得很清楚：GPU 和服务器侧的控制器要在性能约束下塑造快速动态，机架 BBU 的控制器要管好荷电状态和恢复过程，不能制造充电尖峰，设施侧的控制器则守住整站的功率包络和电能质量限值。

论文还提到一个正在形成的方向，就是把电的缓冲和固件的功率整形放在一起设计。厂商开始在固件里控制功率的爬升速率、限制瞬态越界，也开放实时功率遥测和强制功率上限接口，让上层控制器能约束设备的取电行为。在高压直流架构下，服务器和 GPU 侧的电容缓冲可以降低 BBU 需要的功率带宽和循环次数，但省不掉它在秒到分钟量级上的能量角色。

论文同时点出一个待补的环节：GPU 的频率调节远没有 CPU 那样成熟，现有调度策略主要盯着吞吐和时延，没有把能耗特征显式地考虑进去。这意味着功率曲线的一部分本来可以通过调度塑形，现在还没被利用起来。

对数据中心的供电设计来说，这一层套一层的结构说明了一件事：AI 负载的功率问题，靠单一层级的器件放大容量是解决不了的。得先看清楚波动发生在哪个时间尺度上，再决定由哪一层去接，剩下的交给控制器去协调。

内容来源：arXiv 开放获取预印本

原文标题：Grid Integration of AI Data Centers: A Critical Review of Energy Storage Solutions

论文编号：arXiv:2603.00415

原文链接：https://arxiv.org/abs/2603.00415

配图说明：图 1、图 2 依据原文第 4、7 节内容自行绘制，为原理示意，非原文原图复制

改动声明：本文是对原文的技术编译与解读，用于中文技术传播；文中结论与数据均取自原文，标题与行文为原创

来源：21ic电子网 / 作者：Ayase